Compound distributions and their applications in risk modelling

ยินดีต้อนรับสู่โลกของ Compound Distributions!

สวัสดีครับ! วันนี้เราจะมาเจาะลึกบทเรียนที่นำไปใช้ได้จริงและน่าตื่นเต้นที่สุดบทหนึ่งในหลักสูตร CS2 นั่นคือเรื่อง Compound Distributions (การแจกแจงแบบผสม) หากคุณเคยสงสัยว่าบริษัทประกันภัยคำนวณเงินรวมที่ต้องจ่ายสำหรับค่าสินไหมทดแทนตลอดทั้งปีได้อย่างไร คุณมาถูกที่แล้วครับ

เมื่อมองแวบแรก หัวข้อนี้อาจดูเหมือนภูเขาแห่งสูตรคณิตศาสตร์ แต่ไม่ต้องกังวลไปครับ! เราจะค่อยๆ ย่อยมันให้เข้าใจง่ายทีละส่วน ให้มองว่ามันเป็นกระบวนการ "สองขั้นตอน": ขั้นแรก คือการนับว่ามีเหตุการณ์เกิดขึ้น กี่ครั้ง และขั้นที่สอง คือการดูว่าแต่ละเหตุการณ์นั้น มีมูลค่าเท่าไหร่ มาเริ่มกันเลย!

1. Compound Distribution คืออะไรกันแน่?

พูดง่ายๆ ก็คือ Compound distribution ก็คือผลรวมของ ตัวแปรสุ่ม (random variables) ที่มี จำนวนครั้ง (random number) เป็นตัวกำหนด ในโลกของการสร้างแบบจำลองความเสี่ยง เรามักใช้สิ่งนี้เพื่อแทน ผลรวมค่าสินไหมทดแทน (Aggregate Claim Amount: S)

ลองจินตนาการว่าคุณเป็นเจ้าของบริษัทประกันภัยเล็กๆ แห่งหนึ่ง มีความไม่แน่นอนอยู่ 2 อย่างที่ต้องเจอ:
1. N (ความถี่ - Frequency): เดือนนี้จะมีคนมาเรียกร้องค่าสินไหมกี่คน?
2. X (ความรุนแรง - Severity): สำหรับแต่ละคนที่มาเรียกร้อง จะต้องจ่ายเงินชดเชยให้เขาเป็นจำนวนเท่าไหร่?

ต้นทุนรวม \( S \) คือผลรวมของค่าสินไหมทั้งหมดของทุกคน:

\( S = X_1 + X_2 + X_3 + ... + X_N \)

ข้อควรทราบ: ถ้า \( N = 0 \) แล้ว \( S = 0 \) เพราะคุณย่อมไม่มีค่าสินไหมรวมหากไม่มีใครมาเรียกร้องค่าสินไหมเลย!

ข้อสมมติฐานหลัก (Core Assumptions)

เพื่อให้คณิตศาสตร์ทำงานได้ง่ายขึ้น เรามักจะสมมติสองสิ่งนี้เสมอ:
1. ค่าสินไหมของแต่ละราย (\( X_1, X_2, ... \)) เป็น อิสระต่อกันและมีการแจกแจงเหมือนกัน (i.i.d.) หมายความว่าทุกการเคลมเปรียบเสมือนการทอยลูกเต๋าใหม่ในแต่ละครั้ง
2. จำนวนการเคลม (\( N \)) เป็น อิสระ จากขนาดของค่าเคลม (\( X \)) หมายความว่าความถี่ของการเคลมไม่ได้เปลี่ยนความรุนแรงของการเคลมแต่ละครั้ง

สรุปใจความสำคัญ: Compound distribution คือการรวม "กี่ครั้ง?" (\( N \)) และ "เท่าไหร่?" (\( X \)) เข้าด้วยกัน เพื่อบอกเราว่า "รวมเป็นเท่าไหร่" (\( S \))

2. ค่าเฉลี่ยและความแปรปรวนของ S

อย่าให้สัญลักษณ์พวกนี้ทำให้คุณกลัวเลยครับ! เราสามารถหาค่าคาดหมาย (Mean) และความแปรปรวน (Variance) ของผลรวมค่าเคลม \( S \) ได้โดยใช้คุณสมบัติของ \( N \) และ \( X \)

ค่าเฉลี่ย (Mean / Expected Value)

อันนี้ค่อนข้างเข้าใจง่ายครับ ถ้าคุณคาดว่าจะมีเคลม 10 ราย และแต่ละรายมีค่าเฉลี่ยอยู่ที่ 500 บาท คุณก็น่าจะต้องจ่ายเงินรวม 5,000 บาทนั่นเอง

\( E[S] = E[N] \times E[X] \)

ความแปรปรวน (Variance)

ส่วนความแปรปรวนจะ "แซ่บ" ขึ้นมาหน่อยเพราะมันมีสองส่วน ซึ่งสะท้อนถึงความไม่แน่นอนของ จำนวน การเคลม และความไม่แน่นอนของ มูลค่า การเคลมแต่ละครั้ง

\( Var(S) = E[N]Var(X) + Var(N)(E[X])^2 \)

ตัวช่วยจำ: ให้มองว่าเป็น "กฎความแปรปรวนรวม" (Law of Total Variance) โดยส่วนแรก (\( E[N]Var(X) \)) คือความแปรปรวนที่มาจากขนาดของการเคลม และส่วนที่สอง (\( Var(N)(E[X])^2 \)) คือความแปรปรวนที่มาจากจำนวนครั้งของการเคลม

กล่องทบทวนด่วน:
- ค่าเฉลี่ยรวม: ค่าเฉลี่ยความถี่ \(\times\) ค่าเฉลี่ยความรุนแรง
- ความแปรปรวนรวม: (ค่าเฉลี่ยความถี่ \(\times\) ความแปรปรวนความรุนแรง) + (ความแปรปรวนความถี่ \(\times\) ค่าเฉลี่ยความรุนแรงยกกำลังสอง)

3. ฟังก์ชันก่อกำเนิด (Generating Functions)

ในวิชา CS2 เรามักจะใช้ Moment Generating Functions (MGFs) และ Probability Generating Functions (PGFs) เพื่ออธิบายการแจกแจง สำหรับ Compound distributions จะมีความสัมพันธ์ที่สวยงามมากอยู่ครับ

ถ้า \( S \) เป็น Compound distribution เราสามารถหา MGF ของมันคือ \( M_S(t) \) ได้โดยการ "นำ" MGF ของ \( X \) ไปแทนค่าใน MGF ของ \( N \):

\( M_S(t) = M_N(\ln M_X(t)) \)

เดี๋ยวนะ ทำไมต้องเป็น natural log? เพราะ MGF ของผลรวมเกี่ยวข้องกับฟังก์ชันเอกซ์โพเนนเชียลครับ! และหากคุณกำลังทำงานกับ PGFs (มักใช้สำหรับจำนวนการเคลม \( N \) ที่เป็นค่าไม่ต่อเนื่อง) สูตรจะดูสะอาดตากว่านี้อีก:

\( G_S(t) = G_N(G_X(t)) \)

ไม่ต้องกังวลถ้าตอนแรกจะดูงงๆ! แค่จำไว้ว่า Generating function ของ "ผลรวม" คือการนำฟังก์ชันหนึ่งไปวางซ้อน (Composition) ในอีกฟังก์ชันหนึ่ง

รู้หรือไม่? การนำฟังก์ชันมาซ้อนกันแบบทางคณิตศาสตร์นี้เองที่เป็นเหตุผลว่าทำไมเราถึงเรียก Compound distributions ว่าเป็น "stopped-sum" distributions!

4. พระเอกของงาน: การแจกแจงแบบพอยซันรวม (Compound Poisson Distribution)

Compound distribution ที่คุณจะเจอได้บ่อยที่สุดคือ Compound Poisson Distribution ซึ่งเกิดขึ้นเมื่อจำนวนการเคลม \( N \) มีการแจกแจงแบบพอยซันที่มีพารามิเตอร์เป็น \( \lambda \)

ทำไมถึงพิเศษ?

เพราะสำหรับการแจกแจงแบบพอยซัน ค่าเฉลี่ยและความแปรปรวนมีค่าเท่ากัน! (\( E[N] = Var(N) = \lambda \)) ทำให้สูตรของเราง่ายลงไปมาก:

\( E[S] = \lambda E[X] \)

\( Var(S) = \lambda E[X^2] \)

ข้อผิดพลาดที่พบบ่อย: นักเรียนมักลืมว่าสำหรับ Compound Poisson นั้น \( Var(S) \) จะใช้ \( E[X^2] \) (moment อันดับที่สอง) ไม่ใช่แค่ \( Var(X) \)! ตรวจสอบให้ดีตอนคำนวณนะครับ!

สมบัติการบวกกันได้ (Additivity Property)

ถ้าคุณมีความเสี่ยงแบบ Compound Poisson สองอย่างที่เป็นอิสระต่อกัน (เช่น ประกันภัยรถยนต์ และ ประกันภัยบ้าน) ผลรวมของมันก็จะเป็น Compound Poisson distribution เช่นกัน! คุณเพียงแค่นำค่า \( \lambda \) ของทั้งสองมาบวกกัน นี่คือเหตุผลที่มันนิยมมากในการจำลองพอร์ตการลงทุนขนาดใหญ่

สรุปใจความสำคัญ: Compound Poisson คือ "มาตรฐานทองคำ" ในการสร้างแบบจำลองความเสี่ยง เพราะมันมีคุณสมบัติทางคณิตศาสตร์ที่ "นิสัยดี" และรวมเข้าด้วยกันได้ง่าย

5. ตัวอย่างจากโลกจริง: ร้านขนมปัง

มาดูภาพความเป็นจริงกันครับ ลองจินตนาการถึงคนทำขนมปัง:
- จำนวนลูกค้าต่อชั่วโมง (\( N \)) มีการแจกแจงแบบพอยซันด้วย \( \lambda = 10 \).
- ลูกค้าแต่ละคนใช้จ่ายเงิน (\( X \)) โดยมีการแจกแจงแบบปกติ (Normal distribution) ที่มีค่าเฉลี่ย 15 ดอลลาร์ และส่วนเบี่ยงเบนมาตรฐาน 3 ดอลลาร์

ขั้นตอนที่ 1: ค่าคาดหมายของยอดขายรวม
\( E[S] = E[N] \times E[X] = 10 \times 15 = 150 \) ดอลลาร์

ขั้นตอนที่ 2: ความแปรปรวนของยอดขายรวม
เรารู้ว่า \( Var(X) = 3^2 = 9 \)
\( Var(S) = E[N]Var(X) + Var(N)(E[X])^2 \)
\( Var(S) = (10 \times 9) + (10 \times 15^2) = 90 + 2250 = 2340 \)

ประเด็นสำคัญ: แม้ว่าการใช้จ่ายของลูกค้าแต่ละคนจะค่อนข้างคงที่ (ความแปรปรวนต่ำ) แต่ความแปรปรวนของยอดขายรวมกลับสูงมาก เพราะ จำนวน ลูกค้ามีความผันผวนนั่นเอง

6. บทสรุปและคำแนะนำสุดท้าย

เราได้ครอบคลุมหัวใจสำคัญของ Compound Distributions แล้ว ต่อไปนี้คือจุดที่คุณ "ต้องรู้" สำหรับการสอบ:

1. นิยาม: \( S \) คือผลรวมของตัวแปรสุ่ม \( N \) ตัว

2. สูตร: ท่องจำสูตร Mean และ Variance ให้แม่น มันคือเพื่อนที่ดีที่สุดของคุณ

3. ความเป็นอิสระ: ตรวจสอบเสมอว่าความถี่ (Frequency) และความรุนแรง (Severity) เป็นอิสระต่อกันหรือไม่ก่อนใช้สูตร

4. Compound Poisson: จำสมบัติพิเศษของมันให้ดี โดยเฉพาะสูตรความแปรปรวนแบบย่อ (\( \lambda E[X^2] \)) และความจริงที่ว่าคุณสามารถบวก Poisson process ที่เป็นอิสระต่อกันเข้าด้วยกันได้

หมั่นฝึกฝนนะครับ! Compound distributions เป็นเพียงแค่จุดเริ่มต้น เมื่อคุณเชี่ยวชาญส่วนนี้แล้ว แบบจำลองที่ซับซ้อนขึ้นในวิชา CS2 ก็จะดูง่ายขึ้นเยอะ คุณทำได้แน่นอนครับ!